La classification recouvrante correspond à un enjeu important en classification non-supervisée en permettant à une observation d'appartenir à plusieurs clusters. Plusieurs méthodes ont été proposées pour faire face à cette problématique en utilisant plusieurs approches usuelles de classification. Cependant, malgré l'efficacité de ces méthodes à déterminer des groupes non-disjoints, elles échouent lorsque les données comportent des groupes de densités différentes car elles ignorent la densité locale de chaque groupe et ne considèrent que la distance Euclidienne entres les observations. Afin de détecter des groupes non-disjoints de densités différentes, nous proposons deux méthodes de classification intégrant la variation de densité des différentes classes dans le processus de classification. Des expériences réalisées sur des ensembles de données artificielles montrent que les méthodes proposées permettent d'obtenir de meilleures performances lorsque les données contiennent des groupes de densités différentes.